论文部分内容阅读
航空遥感图像的目标检测与识别是航空遥感领域中的关键技术之一,广泛应用于地形测绘、资源普查和军事侦察等诸多场景。可见光波段是传统航空侦察摄影和航空测绘摄影中最常用的工作波段,所拍摄的航空可见光遥感图像具有分辨率高与图像信息丰富等优势,但易受到太阳光照与云雾干扰等因素的影响。由于航空相机在对地拍摄时位于目标上方,且与目标距离较远,航拍图像多呈现出目标占比较小、目标方向角度任意、图像背景复杂等特点;同时,相机探测到的地面辐射在穿越大气层时会受到气溶胶粒子的影响而产生散射与吸收现象,使图像质量产生退化,图像细节有所损失。这为研究准确度高、实时性好的航空可见光遥感图像的目标检测与识别技术提出了困难与挑战。本文以高空远距离斜视的航空相机所拍摄的可见光遥感图像为背景,依托于图像处理和机器视觉等领域内的理论知识与实践技术,探索准确率高且鲁棒性强的目标检测与识别算法,选取基于区域建议的目标检测与识别技术进行了系统的研究,旨在弥补传统航拍图像目标检测识别技术中的不足。同时,针对可见光航拍图像受拍摄条件影响而造成的图像退化问题,研究了图像去雾方法。本文主要研究内容可总结如下:首先,为解决可见光遥感图像在实际航拍条件下易于受到云雾干扰造成特征提取困难的问题,提出了基于大气传输退化模型与暗原色先验的图像去雾方法。本文分析了航空光学图像成像质量的退化机理、大气传输退化模型和暗原色先验理论的数学基础,针对受云雾干扰的航拍图像,对传统暗原色先验去雾模型进行扩展,引入考虑了邻近效应的大气传输退化模型,有效提升了航拍图像的去雾效果。其次,提出了一种基于方向性区域搜索的快速目标检测方法。分析了边缘框搜索算法(EdgeBoxes)应用在航拍图像上检测目标时回召率低的原因,令其在计算图像边缘信息后加入两步学习的线性模型,可以在保持计算效率的同时有效约束产生的候选区域数量并提升区域建议的准确性,以得到初步的候选区域。选取置信度较高的区域应用拉东变换并计算变换后线积分的方差,以估计出候选区域内目标的主方向。通过应用基于超像素分割的区域边界调整算法,在得到超像素分布图后调整候选区域的边界框方向并将相似的超像素分量对比合并,使得候选区域的主方向与目标的主方向一致,且具有较高的交并比,并通过非极大值抑制计算保留置信度较高的候选区域。该方法带有目标的主方向信息,同时有效提升了检测的精度。再次,提出了一种基于区域建议的目标识别方法。针对航空可见光遥感图像中目标特征易受到噪声、模糊、和光强变化的干扰,改进并采用鲁棒性强的局部调整核(LSK)特征;针对目标位于复杂背景中特征强度较弱的局限,将提取的特征融合进局部向量聚合(VLAD)模型,通过K均值聚类和字典编码增强了特征描述子的表达能力。并引入一种基于有向无环图的支持向量机训练与分类方法成功解决了支持向量机在对多种目标进行分类时产生的样本数据失衡问题,提升了候选区域分类的准确度。结果表明,该方法能够成功实现对多种目标的准确识别,且实时性较好,具有较好的实用效果。最后,提出了改进的基于快速旋转区域建议的卷积神经网络算法。该方法以Faster-RCNN模型为基础,分析了卷积神经网络的层次结构;旋转RPN区域建议生成网络使生成的感兴趣区域具有方向性;在池化层中遍历旋转池化单元的特征图以达到较好的池化效果;将预测角度估计为一种简单化参数并与目标角度之间的偏移量进行回归。结果表明,改进后的卷积神经网络模型在航拍图像的目标检测与识别场景中,在回召率、精确度和平均精度均值上均有所提升。本文提出的所有算法采用了C/C++、Matlab或Python编程语言在计算机环境下开发实现并调试完成。为了验证算法的鲁棒性和目标检测与识别的准确率,利用大量航拍图像进行了大量仿真实验。实验结果显示,所有算法均达到了预期效果。